Metody zpracování obrazu založené na umělé inteligenci pro pokrok v charakterizaci polycystických ledvin (AI4PKD)

Autozomálně dominantní polycystické onemocnění ledvin (ADPKD) je nejčastější dědičné onemocnění ledvin, které postihuje 12,5 milionu lidí na celém světě ve všech etnických skupinách. ADPKD je způsobena genovou mutací buď v PKD1 nebo PKD2, která vede k tvorbě a růstu mnohočetných tekutinou naplněných cyst v ledvinách a často v játrech, což vede k chronickému poškození ledvin a nakonec k konečnému stadiu onemocnění ledvin. U ADPKD může funkce ledvin zůstat normální po několik desetiletí, a proto není plně informativní. Naléhavě je zapotřebí identifikace časných biomarkerů schopných přesně monitorovat a předpovídat progresi onemocnění, aby bylo možné rychle zasáhnout a vybrat možnosti cílené léčby. Celkový objem ledvin byl uznán jako prognostický biomarker pro výběr pacientů pro klinické studie a je vědeckou komunitou uznáván jako relevantní biomarker pro sledování progrese onemocnění a odpovědi na terapii a pro predikci průběhu ADPKD. Celkový objem ledvin lze kvantifikovat pomocí lékařských snímků, jako je ultrazvuk, počítačová tomografie a zobrazování magnetickou rezonancí (MRI). Renální nekontrastní magnetická rezonance, označovaná vysokým rozlišením a bez potřeby kontrastních látek nebo ionizujícího záření, je nejvhodnější pro sledování progrese celkového objemu ledvin v průběhu času a jasnou detekci cyst ledvin. Protože mnoho pacientů s ADPKD má také polycystická játra, celkový objem jater a jaterních cyst může poskytnout další relevantní informace.

Měření celkového objemu ledvin, jater a cysty je založeno na segmentaci ledvin, která se obvykle provádí ručním tvarováním, což je úkol závislý na operátorovi a časově náročný, vyžadující specializované odborné znalosti. V minulosti byly navrženy automatické nebo poloautomatické metody pro segmentaci ledvin a cyst založené na tradičních přístupech a technikách umělé inteligence (AI). Nízká vysvětlitelnost a potřeba velkých a kurátorských datových souborů umožňujících získat přesné a zobecněné modely však dosud bránily jejich širokému přijetí v klinickém výzkumu. Plně automatická segmentační metoda pro přesnou identifikaci ledvin, jater a cyst by byla vysoce žádoucí.

Kromě kvantifikace objemu ledvin, jater a cyst může charakterizace necystické renální tkáně poskytnout další relevantní informace o patofyziologii ADPKD. Před několika lety kontrastní CT studie odhalila přítomnost peritubulární intersticiální fibrózy v necystické složce ledvin ADPKD, která byla spojena s renální funkcí a jejím poklesem v průběhu času, což nedávno potvrdila nezávislá studie o dynamickém kontrastu zesíleném T1 - vážená MRI. Pokročilé techniky zpracování obrazu, jako je radiomika, jejímž cílem je vypočítat vysoce výkonné informace z radiologických snímků pro charakterizaci prostorové heterogenity tkání, vykazují potenciál pro charakterizaci mikrostruktury tkáně. Předběžné pokusy na pacientech s ADPKD byly provedeny na T1-vážených a T2-vážených MRI skenech. Kromě toho by radiomika mohla být užitečná při vytváření multiparametrických stratifikačních a predikčních modelů včetně funkcí založených na obrazech.